一种障碍物轨迹预测方法、车辆、存储介质及程序产品与流程

摘要: 本申请涉及车辆,具体地涉及一种障碍物轨迹预测方法、车辆、存储介质及程序产品。背景技术:1、车辆在处于自动泊车或低速自动驾驶场景中时,周围动态障碍物(例如车辆、二...
一种障碍物轨迹预测方法、车辆、存储介质及程序产品与流程

本申请涉及车辆,具体地涉及一种障碍物轨迹预测方法、车辆、存储介质及程序产品。

背景技术:

1、车辆在处于自动泊车或低速自动驾驶场景中时,周围动态障碍物(例如车辆、二轮车、行人等)的运动轨迹灵活多变、行为随机性强,增加了车辆环境感知以及主动避障的难度。若无法提前感知周围障碍物的运动轨迹,则可能会引发车辆碰撞隐患。因此准确预测周围动态障碍物的未来运动轨迹,是保障自车安全决策与控制的前提条件。

2、相关技术中,通常采用匀速直线模型或恒定转弯率模型等单一运动模型来对障碍物的运动轨迹进行外推预测。

3、然而,在实际交通场景中障碍物的运动模式复杂多变,单一运动模型难以同时适应直线巡航、稳定过弯、蛇形穿梭、突然折返等多种运动形态,会导致预测的运动轨迹与实际的运动轨迹偏差较大,降低了障碍物运动轨迹的预测可靠性,进而给自车后续的安全决策和避障控制带来干扰,埋下车辆碰撞隐患。

4、需要指出的是,公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解,而不应当被视为承认或以任何形式暗示该信息构成己为本领域技术人员所公知的现有技术。

技术实现思路

1、本申请提供一种障碍物轨迹预测方法、车辆、存储介质及程序产品,以利于解决现有技术中由于采用单一运动模型来对障碍物的运动轨迹进行预测,导致预测的运动轨迹与实际的运动轨迹偏差较大,进而埋下车辆碰撞隐患的问题。

2、第一方面,本申请实施例提供了一种障碍物轨迹预测方法,包括:

3、在当前时刻,获取障碍物的当前感知数据,其中,所述感知数据包括位置信息和运动状态信息;

4、根据所述障碍物的当前感知数据,采用多种运动模型分别对所述障碍物未来预设时长内的运动轨迹进行预测,获得每种所述运动模型的障碍物预测轨迹;

5、根据每种所述运动模型的累积代价,在多种所述运动模型中选择最优运动模型,所述最优运动模型为累积代价最小的运动模型,所述累积代价用于表征障碍物预测轨迹与障碍物实际轨迹的偏差程度;

6、若当前采用的运动模型不是所述最优运动模型,则采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹。

7、在一种可能的实现方式中,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

8、对第一时间区间内所述当前采用的运动模型的障碍物预测轨迹和所述最优运动模型的障碍物预测轨迹进行融合,获得所述第一时间区间内的障碍物预测轨迹;

9、采用第二时间区间内所述最优运动模型预测的障碍物运动轨迹,确定所述第二时间区间内的障碍物预测轨迹;

10、对所述第一时间区间内的障碍物预测轨迹和所述第二时间区间内的障碍物预测轨迹进行组合,获得第一最终障碍物预测轨迹;

11、其中,所述第一时间区间位于所述第二时间区间之前。

12、在一种可能的实现方式中,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

13、采用所述最优运动模型的障碍物预测轨迹确定初始障碍物预测轨迹;

14、根据所述初始障碍物预测轨迹的置信度,确定所述初始障碍物预测轨迹的有效时长;

15、在所述初始障碍物预测轨迹中截取所述有效时长范围内的障碍物预测轨迹,获得第一最终障碍物预测轨迹。

16、在一种可能的实现方式中,所述根据每种所述运动模型的累积代价,在多种所述运动模型中选择最优运动模型,包括:

17、根据所述障碍物的多维运动学特征,对多种所述运动模型进行筛选,获得与所述多维运动学特征表征的运动状态相匹配的至少一个候选运动模型;

18、根据每个所述候选运动模型的累积代价,在至少一个所述候选运动模型中选择最优运动模型。

19、在一种可能的实现方式中,在所述根据所述障碍物的多维运动学特征,对多种所述运动模型进行筛选之前,还包括:

20、获取所述障碍物的历史轨迹序列,所述历史轨迹序列中包括所述障碍物的多个历史感知数据;

21、在所述障碍物的历史轨迹序列中,提取所述障碍物的多维运动学特征。

22、在一种可能的实现方式中,所述若当前采用的运动模型不是所述最优运动模型,则采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

23、若当前采用的运动模型不是所述最优运动模型,且所述当前采用的运动模型的累积代价与所述最优运动模型的累积代价之间的差值大于或等于预设累积代价差值阈值,则采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹。

24、在一种可能的实现方式中,还包括:

25、若所述障碍物为目标类型障碍物,则采用高斯过程回归算法确定第二最终障碍物预测轨迹。

26、在一种可能的实现方式中,所述采用高斯过程回归算法确定第二最终障碍物预测轨迹,包括:

27、采用高斯过程回归算法确定第二待优化障碍物预测轨迹;对所述第二待优化障碍物预测轨迹进行物理可行性约束,获得第二最终障碍物预测轨迹。

28、在一种可能的实现方式中,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

29、采用所述最优运动模型的障碍物预测轨迹确定第一待优化障碍物预测轨迹;对所述第一待优化障碍物预测轨迹进行物理可行性约束,获得第一最终障碍物预测轨迹。

30、在一种可能的实现方式中,还包括:

31、判断所述障碍物的身份标识是否为其它障碍物已使用过的身份标识;

32、若所述障碍物的身份标识为其它障碍物已使用过的身份标识,则删除所述身份标识对应的历史数据。

33、第二方面,本申请实施例提供了一种车辆,包括:

34、控制器,所述控制器被配置为执行第一方面中任意一项所述的方法。

35、第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现第一方面中任意一项所述的方法。

36、第四方面,本申请实施例提供了一种计算机程序产品,包括计算机程序,当所述计算机程序被处理器执行时,实现第一方面中任意一项所述的方法。

37、在本申请实施例中,通过采用多种运动模型分别基于障碍物的当前感知数据,对障碍物未来预设时长内的运动轨迹进行预测,并获得每种运动模型的障碍物预测轨迹。根据每种运动模型的累积代价,从中选择最优运动模型,若当前采用的运动模型不是最优运动模型,则采用最优运动模型来对障碍物的运动轨迹进行预测,并确定第一最终障碍物预测轨迹。从而提升了障碍物运动轨迹的预测可靠性,为车辆提供精准、及时的安全决策依据,进而提前采取准确的避障操作,降低车辆碰撞风险。

1.一种障碍物轨迹预测方法,其特征在于,包括:

2.根据权利要求1所述的方法,其特征在于,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

3.根据权利要求1所述的方法,其特征在于,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

4.根据权利要求1所述的方法,其特征在于,所述根据每种所述运动模型的累积代价,在多种所述运动模型中选择最优运动模型,包括:

5.根据权利要求4所述的方法,其特征在于,在所述根据所述障碍物的多维运动学特征,对多种所述运动模型进行筛选之前,还包括:

6.根据权利要求1所述的方法,其特征在于,所述若当前采用的运动模型不是所述最优运动模型,则采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

7.根据权利要求1所述的方法,其特征在于,还包括:

8.根据权利要求7所述的方法,其特征在于,所述采用高斯过程回归算法确定第二最终障碍物预测轨迹,包括:

9.根据权利要求1所述的方法,其特征在于,所述采用所述最优运动模型的障碍物预测轨迹确定第一最终障碍物预测轨迹,包括:

10.根据权利要求1所述的方法,其特征在于,还包括:

11.一种车辆,其特征在于,包括:

12.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至10中任意一项所述的方法。

13.一种计算机程序产品,其特征在于,包括计算机程序,当所述计算机程序被处理器执行时,实现权利要求1至10中任意一项所述的方法。